Python 具有多维(或非标量)输出的Scipy滤波器
是否有类似于Python 具有多维(或非标量)输出的Scipy滤波器,python,image-processing,numpy,scipy,ndimage,Python,Image Processing,Numpy,Scipy,Ndimage,是否有类似于ndimage的过滤器支持向量输出?我没有设法使scipy.ndimage.filters.generic\u filter返回的不仅仅是一个标量。取消对下面代码中的行的注释以获取错误:TypeError:只有length-1数组可以转换为Python标量 我正在寻找一个通用的过滤器,它可以处理2D或3D数组,并在每个点返回一个向量。因此,输出将增加一个维度。对于下面的示例,我希望类似这样: m.shape # (10,10) res.shape # (10,10,2) 示
ndimage
的过滤器支持向量输出?我没有设法使scipy.ndimage.filters.generic\u filter
返回的不仅仅是一个标量。取消对下面代码中的行的注释以获取错误:TypeError:只有length-1数组可以转换为Python标量
我正在寻找一个通用的过滤器,它可以处理2D或3D数组,并在每个点返回一个向量。因此,输出将增加一个维度。对于下面的示例,我希望类似这样:
m.shape # (10,10)
res.shape # (10,10,2)
示例代码
import numpy as np
from scipy import ndimage
a = np.ones((10, 10)) * np.arange(10)
footprint = np.array([[1,1,1],
[1,0,1],
[1,1,1]])
def myfunc(x):
r = sum(x)
#r = np.array([1,1]) # uncomment this
return r
res = ndimage.generic_filter(a, myfunc, footprint=footprint)
我想我明白了你的要求,但我不完全确定ndimage.generic_filter
是如何工作的(源代码有多深奥!)
这里只是一个简单的包装函数。此函数将接收数组中的所有参数ndimage.generic_filter
所需。函数返回一个数组,其中前一个数组的每个元素现在由一个带形状(2,)的数组表示,函数的结果存储为该数组的第二个元素
def generic_expand_filter(inarr, func, **kwargs):
shape = inarr.shape
res = np.empty(( shape+(2,) ))
temp = ndimage.generic_filter(inarr, func, **kwargs)
for row in range(shape[0]):
for val in range(shape[1]):
res[row][val][0] = inarr[row][val]
res[row][val][1] = temp[row][val]
return res
输出,其中,res
仅表示generic_filter
,res2表示generic_expand_filter
,此函数的输出为:
>>> a.shape #same as res.shape
(10, 10)
>>> res2.shape
(10, 10, 2)
>>> a[0]
array([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
>>> res[0]
array([ 3., 8., 16., 24., 32., 40., 48., 56., 64., 69.])
>>> print(*res2[0], sep=", ") #this is just to avoid the vertical default output
[ 0. 3.], [ 1. 8.], [ 2. 16.], [ 3. 24.], [ 4. 32.], [ 5. 40.], [ 6. 48.], [ 7. 56.], [ 8. 64.], [ 9. 69.]
>>> a[0][0]
0.0
>>> res[0][0]
3.0
>>> res2[0][0]
array([ 0., 3.])
当然,您可能不想保存旧数组,而是将这两个字段都作为新结果保存。除了我不知道你到底在想什么,如果你想要存储的两个值是不相关的,只需添加一个temp2
和func2
,然后调用另一个generic_filter
,使用相同的**kwargs
并将其存储为第一个值
但是,如果您想要使用多个inarr
元素计算的实际矢量量,这意味着两个新创建的字段不是独立的,那么您只需要编写一个函数,一个接受数组的函数,idx
,idy
索引并返回一个tuple\list\array值,然后您可以将其解包并分配给结果。generic\u过滤器要求myfunc
返回一个标量,而不是向量。
但是,没有任何东西阻止myfunc
也添加信息
例如,作为额外参数传递给myfunc
的列表
我们不必使用泛型_filter
返回的数组,而是可以通过重塑此列表来生成向量值数组
比如说,
import numpy as np
from scipy import ndimage
a = np.ones((10, 10)) * np.arange(10)
footprint = np.array([[1,1,1],
[1,0,1],
[1,1,1]])
ndim = 2
def myfunc(x, out):
r = np.arange(ndim, dtype='float64')
out.extend(r)
return 0
result = []
ndimage.generic_filter(
a, myfunc, footprint=footprint, extra_arguments=(result,))
result = np.array(result).reshape(a.shape+(ndim,))
使用“可变默认值”确实是一个聪明的技巧,我还没见过。我认为你的解决方案优雅简洁,回答了我的问题。你能评论一下演出吗。除了操作结果
变量外,似乎没有其他开销。另外,r[1:][:-1]
是否等同于r[:0:-1]
?generic_filter
的性能从来都不是很好,因为它需要为图像的每个像素调用一次Python函数。我会尝试将其作为最后手段使用——在寻找一种方法来表达计算后,将更快的内置NumPy/SciPy函数应用于整个数组,这些数组将大部分工作卸载到用C/C++或Fortran编写的底层函数。你是对的r[:0:-1]
相当于r[1:[:-1]
。由于我很容易被搞糊涂,所以我选择了(在我看来)更简单的r[1:][::-1]
r[:0:-1]
的速度稍快,但要注意预优化。myfunc
中真正的瓶颈可能在于r
的计算,而不是相反。如果您追求速度并愿意牺牲准确性,您可以使用另一种技巧:myfunc
必须返回标量,例如np.float128
。但是NumPy也支持np.float16
,因此您可以将8个np.float16
s打包成一个np.float128
。因此,如果您想返回向量np.arange(8,dtype=np.float16)
,您可以返回单个标量np.arange(8,dtype=np.float16).view(np.float128)
,然后使用res=res.view(np.float16)
来恢复8np.float16
值。还有一个np.complex256
dtype,它可以让您打包16np.float16
s。我找到了一种更简单的方法来实现所需的结果。只需将所有向量附加到一个列表中。在generic_filter
完成后,将列表转换为数组,然后对其进行重塑。这也比我的第一个答案稍微快一点。